深度学习在生物医药领域的应用
本数据库通过收集和整理最新科研文献信息而得，供了解领域前沿进展之用。数据源自 PubMed Data ，每日自动更新（使用关键词“['deep learning']”过滤），已收录文献数量参见 统计表格。表格内容由 GPT 自动整理，可能存在错误或遗漏，请使用时务必注意核实！
如有建议或合作意向，欢迎联系 linlin.yan(AT)bioinfo.app 或 微信 yanlinlin82。本项目遵循 MIT 许可 发布，欢迎下载 源码 自行修改使用。如觉得不错，还请不吝 给我打赏，你的支持是我继续创新的重要动力！
添加微信请说明来意
微信赞赏
除通过在线浏览外，为方便用户离线查阅，本站也提供 付费下载（定价19.9元）。之所以考虑收费，是因为批量扫描这些文献并整理也是有一定成本的，还请理解并多多支持。本站数据会持续更新，而仅需一次付费，未来就可以随时重新下载到最新版本数据。
当前共找到 49915 篇文献，本页显示第 9181 - 9200 篇。
| 序号 | 推送日期 | 文章 | 类型 | 简述 | 创新点 | 不足 | 研究目的 | 研究对象 | 领域 | 病种 | 技术 | 模型 | 数据类型 | 样本量 | 算法框架 | 模型架构 | 性能指标 | 计算资源 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 9181 | 2026-06-05 |
Physics-informed deep learning enables reliable and scalable organoid quantification for drug screening via OCT
2026-Jun-04, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02847-4
PMID:42236584
|
研究论文 | 提出物理信息引导的深度学习框架DICE-2DSeg，实现基于OCT的类器官高通量药物筛选量化 | 创新性地将OCT物理原理（层内相干增强）与图结构层间上下文聚合结合，解决高精度与高通量矛盾，实现多尺度一致分割 | 依赖93个体积数据验证，未说明更大规模外推性；物理先验可能对非OCT数据泛化有限 | 开发可靠且可扩展的类器官量化方法，用于基于OCT的高通量药物筛选 | 患者来源类器官（PDOs）的光学相干断层扫描（OCT）图像 | 计算机视觉, 数字病理学 | 癌症 | OCT | CNN, GNN | 图像 | 93个OCT体积数据，涵盖多种癌症类型和药物处理 | PyTorch | nnUNet3D, DICE-2DSeg | 准确率, 速度（加速比）, 多尺度一致性 | NA |
| 9182 | 2026-06-05 |
CT-based deep learning radiogenomics for predicting key glioma genotypes (IDH, ATRX, EGFR, TP53)
2026-Jun-04, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-026-04043-3
PMID:42236611
|
研究论文 | 评估基于CT的影像基因组学与机器学习结合预测胶质瘤关键基因型（IDH、ATRX、EGFR、TP53）的性能 | 首次系统评估非对比CT影像组学与深度学习模型预测多种胶质瘤临床相关基因突变（IDH、ATRX、EGFR、TP53）的有效性，并比较传统机器学习与深度学习方法的表现 | EGFR亚组样本量小（n=17），结果可能不具备推广性；缺乏外部验证；回顾性研究设计存在偏差风险 | 验证CT影像组学结合机器学习能否准确预测胶质瘤的临床相关分子标志物 | 197例经组织学确诊胶质瘤患者的非对比CT扫描数据及对应的分子标志物突变状态 | 机器学习, 数字病理 | 胶质瘤 | CT影像组学, 非对比CT扫描 | 传统机器学习（六种经典分类器）和深度学习（自定义全连接神经网络FCNN和TabNet） | 影像数据（非对比CT扫描） | 197例成人患者（ATRX：81例突变，EGFR：17例突变，TP53：71例突变，IDH：183例突变） | NA | TabNet, 自定义全连接神经网络（FCNN） | ROC-AUC | NA |
| 9183 | 2026-06-05 |
An explainable AI framework for enhanced software defect prediction using transformer-assisted boosting
2026-Jun-04, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-44202-3
PMID:42236753
|
research paper | 提出一种结合Transformer自注意力机制与XGBoost的可解释AI框架，用于提升软件缺陷预测的准确性和可解释性 | 首次将Transformer自注意力机制与XGBoost集成，实现高预测性能与可解释性的统一，并利用SHAP解释关键特征重要性 | 未讨论框架在不同规模数据集上的泛化能力及计算资源消耗细节 | 开发一种兼具高准确度和可解释性的软件缺陷预测模型，帮助质量保证从业者优化缺陷管理和资源分配 | NASA Metrics Data Program和Code4Code数据集中的软件缺陷数据 | machine learning | NA | NA | Transformer、XGBoost | 数值型软件度量数据（圈复杂度、Halstead属性、代码行数） | NASA MDP和Code4Code两个数据集，具体样本量未提及 | XGBoost | Transformer | AUC, ROC, accuracy | NA |
| 9184 | 2026-06-05 |
A comparative analysis of deep learning models for disease classification in multi-organ histopathological images
2026-Jun-04, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-56045-z
PMID:42236837
|
研究论文 | 比较了深度学习模型在多器官组织病理学图像疾病分类中的表现 | 首次系统比较了卷积神经网络和视觉Transformer在多器官疾病分类中的性能，并验证了从单器官扩展到多器官分类时性能不下降 | NA | 评估并比较CNN和ViT模型在多器官组织病理学图像疾病分类中的性能 | 人体主要器官（心脏、肺、肝脏、胰腺）的组织病理学全切片图像 | 数字病理学 | NA | 组织病理学全切片图像 | 卷积神经网络、视觉Transformer | 图像 | NA | NA | Swin-T, DenseNet-161 | 分类准确率 | NA |
| 9185 | 2026-06-05 |
Differentiating advanced from non-advanced hepatic fibrosis: a hybrid deep learning-radiomics model leveraging synthetic contrast-enhanced CT from CycleGAN
2026-Jun-04, Abdominal radiology (New York)
DOI:10.1007/s00261-026-05563-5
PMID:42240649
|
研究论文 | 开发并验证一种混合深度学习-影像组学模型，利用CycleGAN合成的增强CT图像区分晚期和非晚期肝纤维化 | 首次结合CycleGAN合成增强CT图像与混合深度学习-影像组学模型，用于肝纤维化分期的非侵入性诊断，且融合真实平扫与合成增强CT图像进一步提升性能 | NA | 开发并验证一种基于CycleGAN合成增强CT图像的混合深度学习-影像组学模型，以区分晚期与非晚期肝纤维化 | 410例经活检确诊的肝纤维化患者 | 计算机视觉, 机器学习 | 肝纤维化 | CT成像, CycleGAN | CycleGAN, 深度学习模型, 放射组学模型, 机器学习分类器 | 图像 | 410例患者的非增强和增强CT图像 | NA | CycleGAN, 端到端深度学习模型 | AUC, 准确率, 校准曲线, 决策曲线分析, DeLong检验 | NA |
| 9186 | 2026-06-05 |
Deep learning for clinically significant prostate cancer detection on MRI: a systematic review, HSROC meta-analysis, and direct comparison with PI-RADS-based interpretation
2026-Jun-04, Abdominal radiology (New York)
DOI:10.1007/s00261-026-05594-y
PMID:42240646
|
综述 | 系统评价深度学习在MRI检测临床显著性前列腺癌中的诊断准确性，并与PI-RADS解读进行直接比较 | 首次对深度学习在前列腺MRI中检测csPCa进行系统综述和HSROC荟萃分析，并直接对比深度学习单独、PI-RADS单独及AI辅助联合解读三种模式的诊断效能 | 特异性异质性高、HSROC预测区域宽泛限制了合并特异性的可迁移性；缺乏前瞻性验证、校准和患者层面安全性研究 | 评估深度学习在前列腺MRI中检测临床显著性前列腺癌的诊断准确性及其临床适用性 | 基于MRI的深度学习模型检测临床显著性前列腺癌 | 计算机视觉 | 前列腺癌 | MRI | 深度学习 | MRI图像 | 36项研究共9411例患者 | NA | NA | 敏感性、特异性、阳性似然比、阴性似然比 | NA |
| 9187 | 2026-06-05 |
Comment on "Automatic radiation-free evaluation of Cobb angle for spinal curvature based on fringe projection profilometry and deep learning technology"
2026-Jun-04, Spine deformity
IF:1.6Q3
DOI:10.1007/s43390-026-01386-y
PMID:42240947
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 9188 | 2026-06-05 |
A Deep Learning Perspective on Preoperative Ultrasound and Intraoperative Discordance in Transcervical Fibroid Ablation
2026-Jun-03, Journal of ultrasound in medicine : official journal of the American Institute of Ultrasound in Medicine
IF:2.1Q2
DOI:10.1002/jum.70325
PMID:42234588
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 9189 | 2026-06-05 |
A Deep Learning-Based Multimodal Nomogram for HLHS Risk Assessment: Practical Considerations
2026-Jun-03, Journal of ultrasound in medicine : official journal of the American Institute of Ultrasound in Medicine
IF:2.1Q2
DOI:10.1002/jum.70323
PMID:42234603
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 9190 | 2026-06-05 |
Deep Learning Reconstruction in MRI: Unlocking Efficiency, Enhancing Image Quality, and Navigating Practical Limits
2026-Jun-03, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A9404
PMID:42235965
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 9191 | 2026-06-05 |
Diabetes Management Through Glucose Dynamics Analysis Network: A Novel Approach for Accurate Blood Glucose Level Forecasting
2026-Jun-03, Diabetes, obesity & metabolism
DOI:10.1111/dom.70930
PMID:42236259
|
研究论文 | 提出一种名为葡萄糖动力学分析网络的新型混合框架，用于准确预测血糖水平 | 结合样条插值、扩张卷积残差网络、Adamax优化和双向长短期记忆网络的混合框架，有效处理缺失值、提取时空特征并优化超参数 | 需进一步进行硬件级验证和计算效率分析才能部署到实时和可穿戴糖尿病监测系统 | 提高血糖水平预测的准确性，以改进胰岛素给药决策支持系统 | 1型糖尿病患者的血糖水平 | 机器学习 | 糖尿病 | NA | 双向长短期记忆网络, 扩张卷积残差网络 | 时间序列数据 | OhioT1DM数据集 | Adamax | DilaConv-ResNet, BiLSTM | 均方根误差, 平均绝对误差, R方, 均方误差 | NA |
| 9192 | 2026-06-05 |
LG-Transformer: learned-graph transformer framework enabling diverse physicochemical properties prediction toward fuel design
2026-Jun-03, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-73853-z
PMID:42236708
|
研究论文 | 提出一种基于学习图特征融合的Transformer框架（LG-Transformer），结合对比学习构建分子间关系图，实现燃料多种理化性质预测 | 通过对比学习构建基于拓扑描述符和性质相似性的分子间关系图，利用Transformer层进行性质感知的特征传播，突破传统图神经网络仅关注分子内信息的局限 | 未提及模型在更大分子库或实际发动机测试中的验证结果，且数据库的覆盖范围可能影响泛化能力 | 实现高精度、可解释的燃料理化性质预测，加速绿色燃料设计 | 1850种不同化学类别的燃料分子及17种与发动机性能相关的理化性质 | 机器学习 | NA | 对比学习、图神经网络、Transformer | Transformer（Graph-based） | 分子结构数据、理化性质数据 | 1850种燃料分子，涵盖26个化学类别 | PyTorch | LG-Transformer（学习图特征融合Transformer） | 相关系数R（平均0.900） | NA |
| 9193 | 2026-06-05 |
An explainable meta-learned hybrid CNN-transformer model with dual attention for leukemia diagnosis from peripheral blood smears
2026-Jun-03, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-55606-6
PMID:42236788
|
研究论文 | 提出一种基于元学习的混合CNN-Transformer模型Meta-Conformer-XAI，用于从外周血涂片图像进行白血病的无创诊断 | 整合了双注意力特征融合块、元学习路径控制器和基于强化学习的置信度估计器三大创新，并融合多种可解释性方法提升临床可信度 | 未提及在多中心、大规模真实临床环境中的验证，以及模型对罕见亚型的泛化能力 | 开发一种非侵入性、精确且可解释的深度学习框架，用于急性淋巴细胞白血病的早期诊断 | 外周血涂片显微镜图像中的白血病细胞和正常细胞 | 机器学习 | 白血病 | NA | CNN-Transformer混合模型 | 图像 | 两个基准数据集：ALL Image Dataset和C-NMC Leukemia Dataset | PyTorch | CNN与Vision Transformer混合架构、Grad-CAM、SHAP、LIME、Integrated Gradients | 准确率、AUC-ROC | NA |
| 9194 | 2026-06-05 |
A multi-layer airport security framework using YOLO-based X-ray detection, video anomaly analysis, IoT sensor monitoring and blockchain logging
2026-Jun-03, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-52894-w
PMID:42236795
|
研究论文 | 提出一种多层机场安全框架，集成基于YOLO的X光检测、视频异常分析、物联网传感器监控和区块链日志记录 | 创新性地将YOLO基X光违禁物品检测、3D-CNN自编码器视频异常检测和LSTM自编码器物联网传感器异常检测三种互补模块与区块链安全日志系统融合，并通过统一多模态风险评分机制实现协同决策 | 未提及具体局限性，但可能包括模型在极端遮挡或微小目标场景下的检测性能、区块链系统在超大规模部署中的扩展性等潜在问题 | 开发自动化、可扩展且安全的机场安检监控系统，提升威胁检测的实时性和可靠性 | 机场安检场景中的X光行李图像、监控视频和物联网传感器数据 | 计算机视觉, 机器学习, 物联网 | NA | X射线成像, 视频监控, 物联网传感, 区块链 | YOLO, 3D-CNN自编码器, LSTM自编码器 | 图像, 视频, 时间序列数据 | 使用CLCXray数据集训练X光检测模块，未见具体样本数量 | PyTorch | YOLOv11-s, YOLOv8-s, 3D-CNN自编码器, LSTM自编码器 | mAP, ROC-AUC, 重建误差, 检测延迟, 每秒交易数 | 未提及具体计算资源信息 |
| 9195 | 2026-06-05 |
Integrating multimodal features with deep learning for protein solubility prediction
2026-Jun-03, Journal of cheminformatics
IF:7.1Q1
DOI:10.1186/s13321-026-01225-2
PMID:42237181
|
研究论文 | 结合多模态特征与深度学习进行蛋白质溶解性预测 | 从蛋白质序列中提取理化性质和共进化特征，并融合基于图的蛋白质表示和表面特征作为输入；开发了两个模型ProSolNet和ProSolNet分别用于预测蛋白质是否可溶和突变引起的溶解性变化 | 未明确提及局限性 | 提高蛋白质溶解性预测的准确性，加速功能性蛋白质的开发 | 天然和突变蛋白质 | 机器学习 | NA | 蛋白质序列分析 | 深度学习 | 文本（蛋白质序列） | NA | NA | ProSolNet | 准确率 | NA |
| 9196 | 2026-06-05 |
PlasticAnalytics: A Deep Learning-Powered Spectral Library and Analytical Suite
2026-Jun-02, Environmental science & technology
IF:10.8Q1
DOI:10.1021/acs.est.6c01309
PMID:42138063
|
研究论文 | PlasticAnalytics提供了一个基于深度学习的自动化工作流，用于微塑料的拉曼光谱和傅里叶变换红外光谱分析 | 将迭代不对称惩罚最小二乘基线校正、混合规则与机器学习去噪框架以及深度残差网络结合，实现高精度自动分类和高效光谱成像处理 | 在抽象中未明确讨论局限性，但可能包括对某些罕见塑料类型的泛化能力或对特定仪器平台的依赖 | 解决振动光谱分析微塑料的关键瓶颈，通过自动化预处理和深度学习分类提高效率和准确性 | 微塑料样本，包括原始、消费后和环境风化的塑料光谱 | 机器学习 | NA | 拉曼光谱、傅里叶变换红外光谱 | 深度残差网络、不确定性感知质量控制分类器 | 光谱数据 | 原始、消费后和环境风化塑料光谱数据，未指定具体数量 | PyTorch | 深度残差网络 | 准确率 | NA |
| 9197 | 2026-06-05 |
Deep learning-based contrast-enhanced ultrasound for Ki-67 assessment and prognosis in hepatocellular carcinoma
2026-Jun-02, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/ae5f9a
PMID:41985477
|
research paper | 开发基于深度学习框架利用增强超声无创评估肝细胞癌Ki-67表达并进行预后预测 | 首次利用增强超声影像数据结合临床特征构建通道分离卷积多模态模型无创评估Ki-67表达，并用于肝细胞癌预后分层 | 回顾性研究设计、样本量相对较小、外部测试集患者预后数据完整性有限 | 通过非侵入性方法评估肝细胞癌中Ki-67表达并预测预后 | 肝细胞癌患者 | computer vision, digital pathology | liver cancer | contrast-enhanced ultrasound (CEUS), deep learning | channel-separated convolutional neural network (CECMM) | video, clinical data | 456名肝细胞癌患者，来自25个机构 | NA | CECMM (Channel-separated Convolutional-based Multimodal Model) | accuracy, AUC | NA |
| 9198 | 2026-06-05 |
ScatterFusionNet: physics-informed deep scatter correction for dual-detector CT using Klein-Nishina prior
2026-Jun-02, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ae6af7
PMID:42102855
|
研究论文 | 提出了一种基于物理信息的深度散射校正框架ScatterFusionNet，用于双探测器CT图像中的散射伪影去除 | 首次将Klein-Nishina散射先验知识融入深度学习网络，通过特征线性调制将物理约束嵌入多尺度骨干网络，实现跨解剖区域的鲁棒泛化而无需大量特定训练数据 | 仅在模拟数据和单个人体数据集上验证，缺乏大样本临床多中心验证，且双探测器CT硬件要求可能限制临床推广 | 开发一种能够跨解剖区域泛化且降低对特定部位训练数据依赖的物理信息散射校正方法 | 锥束CT图像中的散射伪影，特别是头部扫描中的牙齿区域 | 计算机视觉 | 无特定疾病 | 锥束CT成像 | SE UNet | CT图像 | Monte Carlo模拟数据及单个人体右耳数据用于微调 | NA | SE UNet | 对比噪声比 | NA |
| 9199 | 2026-06-05 |
Integrating deep learning techniques for analysis of chin morphology among Han Chinese individuals using a large cone-beam computed tomography dataset
2026-Jun-02, Clinical oral investigations
IF:3.1Q1
DOI:10.1007/s00784-026-06947-z
PMID:42228150
|
研究论文 | 利用深度学习技术分析汉族人群下巴形态与大锥形束CT数据集 | 首次系统性地使用深度学习模型（nnU-Net）对汉族人群下巴形态进行自动化分割，并结合性别和骨骼类型建立三维平均模型 | 研究仅基于汉族人群数据，可能无法推广至其他人群；未探讨不同种族间的形态差异 | 表征下巴形态及其与性别和骨骼模式的关联 | 汉族人群下巴形态 | 机器学习和数字病理学 | 不适用 | CBCT成像 | nnU-Net | 图像（CBCT图像） | 743张CBCT图像（男性322人，女性421人，年龄18-83岁），其中304张用于模型训练 | PyTorch | nnU-Net | 不适用 | 不适用 |
| 9200 | 2026-06-05 |
A novel peak-searching method for multiple radioisotopes based on deep learning
2026-Jun-02, Applied radiation and isotopes : including data, instrumentation and methods for use in agriculture, industry and medicine
IF:1.6Q3
DOI:10.1016/j.apradiso.2026.112730
PMID:42235196
|
研究论文 | 提出一种基于深度学习的多放射性同位素自动峰值搜索方法，用于伽马能谱分析中的核素识别 | 首次将深度学习框架（CNN、ResNet、Transformer）系统应用于伽马能谱光峰值搜索，通过通道坐标匹配实现多核素环境下的自动实时识别 | Transformer模型在严格匹配标准下定位精度较差，ResNet假阳性率较高 | 开发适用于移动探测平台的自动实时放射性核素识别系统 | 伽马能谱中的光峰通道坐标及多放射性同位素 | 机器学习 | NA | 伽马能谱分析 | CNN, ResNet, Transformer | 光谱数据 | NA | NA | 卷积神经网络, 残差网络, Transformer | 精确率, 召回率, F1分数 | NA |